پیش بینی سوددهی بانک با استفاده از الگوریتم های خوشه بندی و طبقه بندی

در عصر جهانی شدن و فشرده شدن رقابت ها، سازمان ها در حال تلاش در جهت کسب مزیت رقابتی نسبت به سایر رقبای خود هستند و بخش بانکداری هم از این امر مستثنی نبوده است. در سال های اخیر توانایی تولید، جذب و ذخیره داده ها در انبار داده ها و پایگاه داده ها پیشرفت چشمگیری داشته است، اما این داده ها زمانی ارزشمند هستند که به اطلاعات و دانش با معنی تبدیل شوند و بتوان الگوهای پنهان را از میان آنها استخراج کرد. در این میان داده کاوی به یک ابزار رقابتی و استراتژیک تبدیل شده است. زیرا می تواند روابط ناشناخته و الگوهای پنهان را در میان داده ها کشف کند. خوشه بندی و دسته بندی از مهمترین الگوریتم های داده کاوی هستند و کاربرد بسیاری در کشف دانش دارند. با توجه به اینکه هدف اصلی هر بانک یا واحد اقتصادی بالابردن ارزشش با استفاده از بالا بردن سود آن می باشد، هدف از انجام این پزوهش پیش بینی سوددهی شعب بانک با استفاده از الگوریتم خوشه بندی و طبقه بندی است که سه الگوریتم خوشه بندی فازی، شبکه عصبی و درخت تصمیم و رگرسیون برای خوشه بندی شعب استفاده شده و در مرحله بعد نتایج با هم مقایسه و بهترین الگوریتم مشخص شده است. در این پژوهش، اطلاعات مالی 5 ساله شعب بانک مهر اقتصاد مورد ارزیابی قرار گرفته است که نتایج حاصل از این پژوهش نشان می دهد میانگین دقت شبکه عصبی در پیش بینی سوددهی یا زیان دهی شعبه های این بانک نسبت به دیگر الگوریتم های استفاده شده بهتر و دارای حداقل 77.33% بهبود است.

کلیدواژه ها:

داده کاوی ، خوشه بندی فازی ، شبکه عصبی ، درخت تصمیم ، بانکداری